适合搜索 NLP 数据集、中文语料库、文本分类数据集、问答数据集、语音识别数据集和多语言训练语料的用户。
NLP 与语音数据的主要差异来自语言覆盖、文本来源、标注任务、音频条件和许可范围。相同规模的语料，清洗质量、重复率、时间范围和领域匹配程度不同，训练效果也会明显不同。
文本分类、问答、词向量、语言模型预训练和自动语音识别需要不同的数据格式与评测方式。选择前应先确定语言、领域、任务和输出目标，再核对语料来源、转录质量、说话人分布和官方数据划分。
中文和多语言项目还应关注简繁体、方言、编码、分词方式和跨语言比例。涉及网页抓取或用户生成内容时，必须回到发布方说明确认版权、隐私和再分发条件。
适合哪些场景
- 查找文本分类、情感分析、问答、词向量和语言模型语料。
- 寻找语音识别、说话人和多语言音频训练数据。
- 为中文 NLP、跨语言模型和语音产品建立数据候选清单。
如何选择
- 先按语言、领域和任务筛选，再比较样本规模、标签体系和数据时间范围。
- 语音数据需要检查采样率、转录准确度、说话人分布与录音环境。
- 预训练语料需要关注重复内容、来源混合比例、清洗方法和污染风险。
使用前核验
- 核验文本或音频的版权、隐私、再分发和商业使用条件。
- 确认训练、验证和测试集划分，避免基准答案进入训练语料。
- 记录数据版本、预处理步骤、语言比例和过滤规则。